劉 丹，熊 浩（通信作者）

（長(zhǎng)江大學(xué)附屬第一醫(yī)院放射科 湖北 荊州 434000）

肺癌的發(fā)病率、病死率目前仍居于全球惡性腫瘤的首位；肺癌中約65%以上為肺腺癌[1]。隨著胸部CT檢查的普及，越來越多磨玻璃密度結(jié)節(jié)（ground glass nodule，GGN）被發(fā)現(xiàn)。臨床應(yīng)用CT 對(duì)肺腺癌患者進(jìn)行檢查時(shí)，可將邊界清楚或不清楚的肺內(nèi)磨玻璃樣密度增高影定義為GGN[2]。影像學(xué)表現(xiàn)為GGN 除肺腺癌之外還可見于炎癥、肺泡出血、局灶性纖維化等良性病變，傳統(tǒng)閱片可能難以清晰界定影像學(xué)特征，傳統(tǒng)手動(dòng)量化參數(shù)所需時(shí)間較長(zhǎng)，且一般不具有重復(fù)性，最終評(píng)估結(jié)果可能受醫(yī)師主觀因素影響，最終導(dǎo)致檢測(cè)結(jié)果的準(zhǔn)確性降低[3]，故傳統(tǒng)的胸部CT 評(píng)估GGN 浸潤(rùn)性的綜合價(jià)值有所欠缺。隨著計(jì)算機(jī)輔助系統(tǒng)的開發(fā)和改進(jìn)，基于深度學(xué)習(xí)的人工智能（AI）輔助診斷系統(tǒng)對(duì)GGN 的大小、密度等定量指標(biāo)更為客觀，不僅可以快速對(duì)肺內(nèi)GGN 進(jìn)行自動(dòng)識(shí)別和標(biāo)記并提示危險(xiǎn)程度，還能對(duì)GGN 特征進(jìn)行定量參數(shù)分析[4]。既往相關(guān)研究表明，人工智能對(duì)GGN 的特征定量分析對(duì)其良惡性鑒別以及侵襲程度的預(yù)判具有重要的臨床意義，可幫助臨床及早制定治療方案，最終改善患者預(yù)后結(jié)局[5]。基于此，本研究主要分析了人工智能在肺腺癌患者GGN 侵襲性預(yù)測(cè)中的效用，報(bào)道如下。

1 資料與方法

1.1 一般資料

選取2021 年6 月—2022 年12 月在長(zhǎng)江大學(xué)附屬第一醫(yī)院放射科行胸部CT 檢查，并且最終經(jīng)手術(shù)和病理證實(shí)為肺腺癌的55 例患者，GGN 共60 枚。55 例患者中男性31 例，女性24 例；年齡52 ～78 歲，平均（63.15±3.73） 歲?；颊呔炇鹬橥鈺?。納入標(biāo)準(zhǔn)：①至少包含1 枚磨玻璃結(jié)節(jié)并≤3 cm 的結(jié)節(jié)；②有薄層胸部CT 圖像原始數(shù)據(jù)，即層厚≤1.5 mm。排除標(biāo)準(zhǔn)：①病灶直徑＞3 厘米；②圖像質(zhì)量偏低，未滿足AI 診斷要求。

1.2 方法

采用GE Optima CT520 螺旋CT 掃描，管電壓120 k V p，管電流70 ～150m A，螺距1.0，掃描厚度5.0 m m，圖像矩陣512×512，視野360 m m。標(biāo)準(zhǔn)算法和肺算法重建圖像，重建層厚為1.5 mm，層間距1.5 mm。圖像分析采用肺窗（窗寬1 200 HU，窗位-600 HU）。掃描范圍從胸廓入口至肺底，患者一次深吸氣屏氣后完成肺掃描。

1.3 肺結(jié)節(jié)圖像分析

①導(dǎo)入數(shù)據(jù)：將所選55 個(gè)病例肺部原始DICOM 格式數(shù)據(jù)導(dǎo)入數(shù)坤公司提供的基于深度學(xué)習(xí)模型的人工智能軟件工作站中。②研究觀察每個(gè)GGN 的定量及定性相關(guān)指標(biāo)：定量指標(biāo)包括最大面積、3D 長(zhǎng)徑、平均CT 值、最小CT 值、最大CT 值等，定性相關(guān)指標(biāo)包括邊緣、分葉、空泡征；血管穿行、血管聚集；病變內(nèi)部征象：空泡、支氣管穿行征；形態(tài)：類圓形、集中、分散。③按病理結(jié)果浸潤(rùn)前及侵襲組分組，分別進(jìn)行數(shù)據(jù)運(yùn)算處理：經(jīng)橫斷面、矢狀面、冠狀面中對(duì)不同侵襲性GGN 體積進(jìn)行測(cè)量，并經(jīng)橫斷面、矢狀面、冠狀面對(duì)GGN 實(shí)性成分占比分析。

1.4 觀察指標(biāo)

①統(tǒng)計(jì)并比較浸潤(rùn)前組與侵襲組一般臨床資料（年齡、性別）與AI 量化參數(shù)（長(zhǎng)徑、短徑、實(shí)性成分占比、平均CT 值、最大CT 值、最小CT 值、最大面積、體積）。②參考兩組AI 量化參數(shù)檢測(cè)結(jié)果為準(zhǔn)，繪制受試者工作特征（receiver operating characteristic，ROC）曲線，并統(tǒng)計(jì)比較幾種不同參數(shù)的曲線下面積（AUC）與診斷效能。③使用二元Logistics 回歸綜合分析各項(xiàng)AI 量化參數(shù)對(duì)GGN 侵襲性的獨(dú)立預(yù)測(cè)價(jià)值。

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 21.0 統(tǒng)計(jì)軟件分析數(shù)據(jù)，符合正態(tài)分布的計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差（± s）表示，采用t檢驗(yàn)；計(jì)數(shù)資料以頻數(shù)（n）、百分率（%）表示，采用χ2檢驗(yàn)；多因素分析采用二元Logistic 回歸分析；以P＜0.05 為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 兩組一般資料與AI 量化參數(shù)比較

參考病理檢查結(jié)果，60 枚GGN 被納入浸潤(rùn)前組（n=34）與侵襲組（n=26）；兩組性別比例、年齡資料比較無顯著差異（P＞0.05）；侵襲組長(zhǎng)徑、實(shí)性成分占比、平均CT 值、最大CT 值、最大面積與體積均高于浸潤(rùn)前組，最小CT 值低于浸潤(rùn)前組（P＜0.05）。見表1。

表1 兩組一般資料與AI 量化參數(shù)比較

2.2 AI 量化參數(shù)的AUC 與診斷效能分析

AI 量化參數(shù)中的長(zhǎng)徑、實(shí)性成分占比、平均CT 值、最大面積、體積的AUC 分別為0.812、0.807、0.794、0.824、0.817，均對(duì)GGN 侵襲性有較好的預(yù)測(cè)價(jià)值（P＜0.05）。而最大CT 值A(chǔ)UC 為0.479，最小CT值A(chǔ)UC 為0.463，對(duì)GGN 侵襲性的預(yù)測(cè)價(jià)值并不顯著。見表2。

表2 AI 量化參數(shù)的AUC 與診斷效能統(tǒng)計(jì)

2.3 獨(dú)立預(yù)測(cè)因子分析

二元Logistic 回歸分析結(jié)果顯示，長(zhǎng)徑、平均CT 值均屬于預(yù)測(cè)GGN 侵襲性的獨(dú)立影響因子（P＜0.05）。見表3。

表3 二元Logistic 回歸分析結(jié)果統(tǒng)計(jì)

3 討論

肺腺癌是嚴(yán)重威脅患者生命質(zhì)量的惡性腫瘤疾病，該病具有明顯進(jìn)展性，致死率較高，臨床對(duì)該病患者通常需要根據(jù)其腫瘤浸潤(rùn)程度制定對(duì)應(yīng)的治療方案，進(jìn)而改善患者預(yù)后結(jié)局，延長(zhǎng)其生存期限。研究表明，臨床對(duì)肺腺癌患者行肺部GGN 侵襲性評(píng)估能夠判斷其病情嚴(yán)重程度，進(jìn)而為后續(xù)手術(shù)治療方案的制定與改善提供參考[6]。但考慮到GGN 侵襲性并不屬于一種特異性表現(xiàn)，肺部炎癥狀態(tài)、病灶纖維化狀態(tài)均可能導(dǎo)致GGN 發(fā)生，此外，臨床應(yīng)用CT 檢查后往往需要醫(yī)師進(jìn)行閱片操作，傳統(tǒng)閱片可能難以清晰界定影像學(xué)特征。

近年來隨著計(jì)算機(jī)輔助系統(tǒng)的開發(fā)與改進(jìn)，AI 輔助診斷系統(tǒng)也開始在肺部腫瘤疾病GGN 侵襲性評(píng)估中開始應(yīng)用，AI 在對(duì)CT 診斷參數(shù)的評(píng)估中更加客觀，還能對(duì)GGN 特征進(jìn)行定量參數(shù)分析，進(jìn)而為肺腺癌患者疾病狀態(tài)的診斷提供更加可靠的數(shù)據(jù)支持[7]。目前AI 對(duì)GGN量化參數(shù)主要涉及到CT 值、最大面積、實(shí)性成分占比、體積等。本研究通過比較浸潤(rùn)前組與侵襲組AI 量化參數(shù)發(fā)現(xiàn)，侵襲組長(zhǎng)徑、實(shí)性成分占比、平均CT 值、最大CT 值、最大面積與體積均高于浸潤(rùn)前組，最小CT 值低于浸潤(rùn)前組（P＜0.05），表明肺腺癌患者GGN 侵襲情況發(fā)生后，其病灶長(zhǎng)徑、實(shí)性成分占比、CT 值、最大面積與體積均會(huì)發(fā)現(xiàn)明顯的異常改變，臨床通過使用AI對(duì)上述參數(shù)進(jìn)行準(zhǔn)確檢測(cè)，可一定程度上預(yù)測(cè)肺腺癌患者GGN 侵襲風(fēng)險(xiǎn)，幫助早期預(yù)防治療方案的制定。本研究中，AI 量化參數(shù)的最大CT 值與最小CT 值對(duì)GGN 侵襲性的預(yù)測(cè)價(jià)值偏低，AUC 分別為0.479 與0.463，究其原因在于，肺腫瘤疾病發(fā)生后，腫瘤組織主要沿肺泡壁生長(zhǎng)，最小CT 值可能受到支氣管影與未填充肺泡組織影響，進(jìn)而導(dǎo)致最終結(jié)果的可信度降低；而最大CT 值則容易受到GGN 內(nèi)出血、纖維化等病變情況綜合影響，導(dǎo)致其在預(yù)測(cè)GGN 侵襲風(fēng)險(xiǎn)上存在一定局限性。

本研究通過對(duì)AI 量化參數(shù)進(jìn)行二元Logistic 回歸分析發(fā)現(xiàn)，長(zhǎng)徑、平均CT 值均屬于預(yù)測(cè)GGN 侵襲性的獨(dú)立影響因子（P＜0.05），表明長(zhǎng)徑、平均CT 值在對(duì)GGN 侵襲性進(jìn)行預(yù)測(cè)評(píng)估時(shí)，基本不會(huì)受到患者自身與外界因素影響，對(duì)GGN 侵襲性的評(píng)估結(jié)果更為準(zhǔn)確，臨床預(yù)測(cè)的價(jià)值性更高。臨床對(duì)各類疾病采用CT 儀器進(jìn)行診斷時(shí)組織密度的計(jì)量單位被定義為CT 值，通過對(duì)CT 值進(jìn)行分析可明確患者病灶密度變化情況，通常情況下，組織CT 值增加提示患者腫瘤惡變風(fēng)險(xiǎn)越高。磨玻璃結(jié)節(jié)的直徑相對(duì)較小，傳統(tǒng)人工閱片測(cè)量方法所得結(jié)果往往不準(zhǔn)確，誤差情況的發(fā)生可能導(dǎo)致診斷準(zhǔn)確性降低。而AI 臨床應(yīng)用后可準(zhǔn)確測(cè)量病灶CT 值，在對(duì)肺腺癌患者進(jìn)行復(fù)查時(shí)CT 值升高，則提示侵襲性病變的風(fēng)險(xiǎn)明顯增大。最大面積是AI 在2D 所測(cè)最大長(zhǎng)徑所在的層面的面積，可幫助GGN 鑒別癌前病變和微浸潤(rùn)病變與浸潤(rùn)性病變[8]?？紤]到肺結(jié)節(jié)本身屬于欠規(guī)則的圖形，單純依靠醫(yī)師恐難以獲得精準(zhǔn)肺結(jié)節(jié)最大切面。AI 的應(yīng)用很好地解決了這一問題，使得最終測(cè)量結(jié)果更為接近實(shí)際值。長(zhǎng)徑是病灶表面網(wǎng)格頂點(diǎn)之間的最大成對(duì)歐幾里得距離，其一定程度上反映了病變的生物學(xué)特點(diǎn)，病灶長(zhǎng)徑能夠直接反映病灶病變程度，為患者病情進(jìn)展情況的鑒別評(píng)估提供數(shù)據(jù)參考。傳統(tǒng)測(cè)量方法是選取GGN的最大橫截面，測(cè)量結(jié)果存在片面性；AI 系統(tǒng)的應(yīng)用可在三維空間中對(duì)病灶長(zhǎng)徑進(jìn)行多平面測(cè)量，其數(shù)據(jù)更加精確，而且具有很強(qiáng)的重復(fù)性及客觀性[9]。長(zhǎng)徑、平均CT 值均能夠通過多次測(cè)量使數(shù)據(jù)更加接近實(shí)際值，在GGN 侵襲風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用有重要意義。

綜上所述，AI 量化參數(shù)在肺腺癌患者GGN 侵襲性預(yù)測(cè)中的應(yīng)用具有顯著作用，可明晰患者GGN 浸潤(rùn)程度，評(píng)估患者疾病狀態(tài)；AI 量化參數(shù)中的長(zhǎng)徑與平均CT 值屬于獨(dú)立預(yù)測(cè)因子，預(yù)測(cè)價(jià)值較高，能為患者病情進(jìn)展評(píng)估提供更加準(zhǔn)確的數(shù)據(jù)支持，幫助后續(xù)手術(shù)與其他治療方案的制定。但AI 系統(tǒng)通常無法自主進(jìn)行判斷分析，僅能參考制定的規(guī)則與程序完成任務(wù)，因此臨床實(shí)際對(duì)肺腺癌患者GGN 侵襲性預(yù)測(cè)時(shí)，需要綜合考慮情況，結(jié)合醫(yī)師與AI 技術(shù)，進(jìn)而最大限度提升預(yù)測(cè)效能。